import cv2
import numpy as np
defnms
(bounding_boxes, confidence_score, threshold)
:'''
:param bounding_boxes: 候選框列表，[左上角座標, 右下角座標], [min_x, min_y, max_x, max_y], 原點在影象左上角
:param confidence_score: 候選框置信度
:param threshold: iou閾值
:return: 抑制後的bbox和置信度
'''# 如果沒有bbox，則返回空列表
iflen
(bounding_boxes)==0
:return
,# bbox轉為numpy格式方便計算
boxes = np.array(bounding_boxes)
# 分別取出bbox的座標
start_x = boxes[:,
0]start_y = boxes[:,
1]end_x = boxes[:,
2]end_y = boxes[:,
3]# 置信度轉為numpy格式方便計算
score = np.array(confidence_score)
# [0.9 0.75 0.8 0.85]
# 篩選後的bbox和置信度
picked_boxes =
picked_score =
# 計算每乙個框的面積
areas =
(end_x - start_x +1)
*(end_y - start_y +1)
# 將score中的元素從小到大排列，提取其對應的index(索引)，然後輸出到order
order = np.argsort(score)
# [1 2 3 0]
# iterate bounding boxes
while order.size >0:
# the index of largest confidence score
# 取出最大置信度的索引
index = order[-1
]# pick the bounding box with largest confidence score
# 將最大置信度和最大置信度對應的框新增進篩選列表裡))
# 求置信度最大的框與其他所有框相交的長寬，為下面計算相交面積做準備
# 令左上角為原點，
# 兩個框的左上角座標x取大值，右下角座標x取小值，小值-大值+1==相交區域的長度
# 兩個框的左上角座標y取大值，右下角座標y取小值，小值-大值+1==相交區域的高度
# 這裡可以在草稿紙上畫個圖，清晰明了
x1 = np.maximum(start_x[index]
, start_x[order[:-
1]])
x2 = np.minimum(end_x[index]
, end_x[order[:-
1]])
y1 = np.maximum(start_y[index]
, start_y[order[:-
1]])
y2 = np.minimum(end_y[index]
, end_y[order[:-
1]])
# 計算相交面積，當兩個框不相交時，w和h必有乙個為0，面積也為0
w = np.maximum(
0.0, x2 - x1 +1)
h = np.maximum(
0.0, y2 - y1 +1)
intersection = w * h
# 計算iou
ratio = intersection /
(areas[index]
+ areas[order[:-
1]]- intersection)
# 保留小於閾值的框的索引
left = np.where(ratio < threshold)
# 根據該索引修正order中的索引（order裡放的是按置信度從小到大排列的索引）
order = order[left]
return picked_boxes, picked_score
# 影象路徑
# 自己設定候選框
bounding_boxes =[(
210,
180,
337,
380),(
180,
120,
330,
340),(
270,
160,
350,
360),(
220,
210,
345,
410)
]confidence_score =
[0.9
,0.75
,0.8
,0.85
]# 讀取影象
image = cv2.imread(image_name)
# 複製乙份原圖矩陣
org = image.copy(
)# 畫框引數
font = cv2.font_hershey_******x
font_scale =
1thickness =
2# iou閾值設定
threshold =
0.4# 畫框（未執行nms）
for(start_x, start_y, end_x, end_y)
, confidence in
zip(bounding_boxes, confidence_score)
:(w, h)
, baseline = cv2.gettextsize(
str(confidence)
, font, font_scale, thickness)
cv2.rectangle(org,
(start_x, start_y -(2
* baseline +5)
),(start_x + w, start_y),(
0,255,
255),-
1)cv2.rectangle(org,
(start_x, start_y)
,(end_x, end_y),(
0,255,
255),2
) cv2.puttext(org,
str(confidence)
,(start_x, start_y)
, font, font_scale,(0
,0,0
), thickness)
# 執行nms演算法
picked_boxes, picked_score = nms(bounding_boxes, confidence_score, threshold)
# 畫框（執行了nms後）
for(start_x, start_y, end_x, end_y)
, confidence in
zip(picked_boxes, picked_score)
:(w, h)
, baseline = cv2.gettextsize(
str(confidence)
, font, font_scale, thickness)
cv2.rectangle(image,
(start_x, start_y -(2
* baseline +5)
),(start_x + w, start_y),(
0,255,
255),-
1)cv2.rectangle(image,
(start_x, start_y)
,(end_x, end_y),(
0,255,
255),2
) cv2.puttext(image,
str(confidence)
,(start_x, start_y)
, font, font_scale,(0
,0,0
), thickness)
# 展示影象
非極大值抑制
nms non maximum suppression 中文名非極大值抑制，在很多計算機視覺任務中都有廣泛應用，如 邊緣檢測 目標檢測等。這裡主要以人臉檢測中的應用為例，來說明nms，並給出matlab和c 示例程式。人臉檢測的一些概念 1 絕大部分人臉檢測器的核心是分類器，即給定乙個尺寸固定，分類...
非極大值抑制
參考 思想 1.將每乙個檢測框的得分值排序，得到得分值最大的檢測框，將該檢測框記錄下來 2.然後其他計算所有的檢測框與該框的iou，將iou大於閾值的檢測框去除，iou小於閾值的認為是不同的目標，則保留 3.對剩下的檢測框繼續做上述的處理 import numpy as np def py cpu ...
非極大值抑制
在進行目標檢測的時候，當多個方框都 到同乙個目標的時候，我們需要去除iou小的方框，原始碼如下 def nms boxes,threshold,method union param boxes n,9 x1,y1,x2,y2,score,offset x1,offset y1,offset x2,o...